01 2017 档案

• Linear Model for classification
  摘要：1. Linear Model for Classification 解决分类问题我们之前主要见过三个：线性分类问题，线性回归问题解分类，logistic回归。接下来看看这三者之间的区别与联系。 三者的区别主要是误差函数不同： 在同一个图上表示如下： 为什么Uper Bound是有效果的？理论证明： 阅读全文
  posted @ 2017-01-16 23:18 futurehau 阅读(278) 评论(0) 推荐(0)
• 理解机器为什么可以学习（五）---Noise and Error
  摘要：之前我们讨论了VC Dimension，最终得到结论，如果我们的hypetheset的VC Dimension是有限的，并且有足够的资料，演算法能够找到一个hypethesis，它的Ein很低的话，那么我们就大概学到了东西。 看看之前的learning flow： 我们有一个target funct 阅读全文
  posted @ 2017-01-08 21:18 futurehau 阅读(207) 评论(0) 推荐(0)
• 理解机器为什么可以学习（四）---VC Dimension
  摘要：前面一节我们通过引入增长函数的上限的上限，一个多项式，来把Ein 和 Eout 的差Bound住，这一节引入VC Bound进一步说明这个问题。 前边我们得到，如果一个hypethesis集是有break point的，那么最终mh会被一个多项式bound住，如果break point 为k的话，那 阅读全文
  posted @ 2017-01-07 20:53 futurehau 阅读(867) 评论(0) 推荐(0)
• 理解机器为什么可以学习（三）---Theory of Generalization
  摘要：前边讨论了我们介绍了成长函数和break point，现在继续讨论m是否成长很慢，是否能够取代M。 成长函数就是二分类的排列组合的数量。break point是第一个不能shatter（覆盖所有情形）的点。 1.break point对成长函数的限制 我们希望 这里引入上限函数 bound func 阅读全文
  posted @ 2017-01-05 20:58 futurehau 阅读(345) 评论(0) 推荐(0)
• 并查集
  摘要：关于Union Find的一个很好的技术介绍blog: http://blog.csdn.net/dm_vincent/article/details/7655764\ 一步步优化代码： Quick find -> quick union ->weighed quick uunion -> 带压缩的 阅读全文
  posted @ 2017-01-05 11:30 futurehau 阅读(150) 评论(0) 推荐(0)
• 理解机器为什么可以学习（二）---Training versus Testing
  摘要：前边由Hoeffding出发讨论了为什么机器可以学习，主要就是在N很大的时候Ein PAC Eout，选择较小的Ein，这样的Eout也较小，但是当时还有一个问题没有解决，就是当时的假设的h的集合是个数是有限的，那么本文继续讨论h个数为无限的情况。http://www.cnblogs.com/fut 阅读全文
  posted @ 2017-01-03 22:33 futurehau 阅读(455) 评论(0) 推荐(0)